Robust Integrated Planning and Control for Quadrotors in Dynamic Environments via NMPC with CBF Penalties
Autonomous Vehicles Laboratory, Department of Aerospace Engineering, Toronto Metropolitan University（自主车辆实验室，航空航天工程系，多伦多 Metropolitan 大学）
提出一种将控制障碍函数作为指数惩罚嵌入非线性模型预测控制的鲁棒集成规划与控制策略，通过高增益扰动观测器和卡尔曼滤波器增强系统鲁棒性，实现动态环境中的安全避障。
2026-05-31 cs.RO
Control Strategies for Mobile Robot With Obstacle Avoidance
COMSATS Institute of Information Technology（COMSATS信息技术学院）
避障是机器人领域的一个重要课题，自主机器人的目标是在不发生碰撞的情况下到达目的地。已经提出了几种避障算法，具有缺点和优点。在这篇综述论文中，我们主要讨论了机器人避障导航的不同算法。本文还对现有的各种算法进行了比较，指出了它们的特点和优缺点，以便通过对各种算法的融合来选择最终的有效算法。提供了对比表，以证明关注领域的合理性
2013-06-05 cs.RO
Semantically-Aware Strategies for Stereo-Visual Robotic Obstacle Avoidance
University of Minnesota–Twin Cities（明尼苏达大学双城分校）
移动机器人在非结构化、无地图环境中必须依靠避障模块来安全导航。标准的回避技术估计障碍物相对于机器人的位置，但不知道障碍物的身份。因此，机器人在决定如何导航时无法利用障碍物的语义信息。我们提出了一个避障模块，结合视觉实例分割与深度图分类和定位场景中的对象。该系统基于对象的身份有区别地避开障碍物：例如，该系统在响应不可预测的对象（例如人类）时更加谨慎。该系统还可以更接近无害的障碍物，并忽略不构成碰撞危险的障碍物，使其能够更有效地导航。我们验证我们的方法在两个模拟环境：一个陆地和水下。结果表明，我们的方法是可行的，可以使更有效的导航策略。
2021-07-13 cs.RO
AvoidBench: A high-fidelity vision-based obstacle avoidance benchmarking suite for multi-rotors
Delft University of Technology（代尔夫特理工大学）
避障是无人机研究领域的一个重要课题。在选择避免算法时，有许多不同的选项可用，每个选项都有其优点和缺点。由于目前对测试方法没有共识，因此比较算法之间的性能是相当具有挑战性的。在本文中，我们提出了AvoidBench，一个基准测试套件，它可以评估基于视觉的避障算法的性能，使它们受到一系列的任务。由于RotorS的多旋翼动力学和Unity3D的虚拟场景的高保真度，AvoidBench可以实现逼真的模拟飞行实验。与目前的无人机模拟器相比，我们提出并实现了性能和环境指标，以揭示避障算法对不同复杂度环境的适用性。为了说明AvoidBench的用法，我们比较了三种算法：Ego-planner，MBPlanner和Agile-autonomy。观察到的趋势与现实世界的避障实验进行了验证。
2023-01-18 cs.RO
Vision Transformers for End-to-End Vision-Based Quadrotor Obstacle Avoidance
University of Pennsylvania（宾夕法尼亚大学）
该研究提出并验证了基于vision transformer (ViT)的端到端视觉到控制方法，用于高速四旋翼无人机在密集环境中的避障，发现ViT结合循环机制在高达7m/s的速度下显著提升了泛化性能并降低了能耗。
2025-04-01 cs.AI cs.RO eess.IV
Waverider: Leveraging Hierarchical, Multi-Resolution Maps for Efficient and Reactive Obstacle Avoidance
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）
本文提出Waverider系统，结合wavemap分层地图与基于RMP的多分辨率避障算法，实现高效、低延迟（36ms）、大感知范围（30m）的避障，并在微型飞行器上验证，性能优于固定分辨率RMP和CHOMP。
2024-05-22 cs.RO
EVA-Planner: Environmental Adaptive Quadrotor Planning
Zhejiang University（浙江大学）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；National Engineering Research Center for Industrial Automation (Ningbo Institute)（工业自动化国家工程研究中心（宁波研究院））
四旋翼飞机由于其卓越的敏捷性和灵活性而广泛用于具有挑战性的环境中。在这些场景中，轨迹规划在生成安全运动以避开障碍物同时确保飞行平稳性方面起着至关重要的作用。虽然已经提出了许多关于四旋翼规划的工作，但在将自适应纳入规划框架以使无人机能够在密集环境中自动飞行较慢并在更安全的区域中增加其速度方面存在研究差距。本文提出了一种环境自适应规划器，根据障碍物分布和四旋翼状态有效地调整飞行攻击性。首先，我们设计了一种环境自适应安全感知方法，根据环境风险水平和瞬时运动趋势来分配周围障碍物的优先级。然后，我们将其应用到一个多层模型预测轮廓控制（多MPCC）框架，以产生自适应的，安全的，动态可行的局部轨迹。大量的模拟和真实世界的实验验证了我们的规划框架的效率和鲁棒性。基准比较也显示了优越的性能，我们的方法与另一种先进的环境自适应规划算法。此外，我们将我们的规划框架作为开源的ros-packages发布。
2021-07-05 cs.RO
Collision Avoidance for Unmanned Aerial Vehicles in the Presence of Static and Moving Obstacles
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出了一种新的无人机在存在静态和运动障碍物的情况下的避碰方法。所提出的方法是基于一种新的形式的局部参数化的指导矢量场，称为避碰矢量场，产生平滑和直观的机动周围的障碍。机动遵循名义上的无碰撞路径，我们称之为流线的避碰矢量场。在多个障碍物的情况下，所提出的程序确定一个混合的矢量场，混合每个障碍物的防撞矢量场，并假定其形式，每当达到预定义的距离阈值。然后，根据计算的制导矢量场，不同的避碰控制器，产生无碰撞机动。此外，它表明，任何跟踪控制器的收敛保证可以使用的避免控制器跟踪的流线的碰撞避免矢量场。最后，数值模拟表明，所提出的方法的有效性和它的能力，以避免碰撞静态和移动弹出的威胁在三个不同的实际情况。
2021-06-25 cs.RO
EGO-Planner: An ESDF-free Gradient-based Local Planner for Quadrotors
Zhejiang University（浙江大学）
基于梯度的规划器被广泛用于四旋翼局部规划，其中欧几里德符号距离场（ESDF）是评估梯度大小和方向的关键。然而，由于轨迹优化过程仅覆盖ESDF更新范围的非常有限的子空间，因此计算这样的场具有很多冗余。在本文中，ESDF的自由梯度规划框架，提出了显着减少计算时间。改进之处在于将碰撞轨迹与无碰撞引导路径进行比较，形成罚函数中的碰撞项，只有当轨迹遇到新的障碍物时，才存储产生的障碍物信息，使得规划器只提取必要的障碍物信息。然后，我们延长的时间分配，如果违反动态可行性。引入各向异性曲线拟合算法来调整轨迹的高阶导数，同时保持原始形状。基准比较和真实世界的实验验证了它的鲁棒性和高性能。源代码作为ROS包发布。
2020-12-07 cs.RO
Avoiding dynamic small obstacles with onboard sensing and computating on aerial robots
University of Hong Kong（香港大学）
在实际应用中，自主四旋翼仍然面临重大挑战，例如检测和避免非常小的甚至动态的障碍物（例如，树枝、电线）。在本文中，我们提出了一种紧凑，集成，完全自主的四旋翼系统，它可以在混乱的环境中安全飞行，同时避免动态的小障碍物。我们的四旋翼平台配备了一个前视三维（3D）光探测和测距（激光雷达）传感器来感知环境，以及一台机载嵌入式计算机来执行所有的估计，映射和规划任务。具体而言，计算机估计UAV的当前姿态，维护本地地图（时间累积点云KD树），并使用运动动力学A* 搜索来计算到目标点的安全轨迹。整个感知和规划系统可以在50 Hz下运行，并经过精心优化。各种室内和室外实验表明，该系统可以避免动态的小障碍物（下至20毫米直径的酒吧），同时飞行速度为2米/秒，在杂乱的环境。我们的代码和硬件设计在Github上开源。
2021-02-28 cs.RO
WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors
University of Science and Technology of China（中国科学技术大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出WAND强化学习框架，通过TCN估计风扰动加速度并结合WindAdapter实现扰动抑制，在12种仿真场景中成功率平均提升8.3个百分点，20次室内飞行试验成功18次，验证了四旋翼无人机在复杂环境下的鲁棒导航能力。
2026-10-09 cs.RO
Event-Enhanced Multi-Modal Spiking Neural Network for Dynamic Obstacle Avoidance
Dalian University of Technology（大连理工大学）；Princeton University（普林斯顿大学）；National University of Singapore（新加坡国立大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
针对现有SNN避障方法难以处理动态场景的问题，提出融合事件相机与激光数据的EEM-SAN网络，通过无监督表示学习提取运动信息、可学习阈值实现多模态融合，显著提升动态避障性能。
2023-10-03 cs.RO
Quadrotor Autonomous Landing on Moving Platform
Southern University of Science and Technology（南方科技大学）；Shandong University（山东大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Research Institute of the Chinese University of Hong Kong（香港中文大学深圳研究院）
介绍了一种四旋翼飞机在动平台上的自主起降系统。所设计的系统解决了三个具有挑战性的问题：快速姿态估计，限制外部定位，有效的避障。具体而言，首先，设计了基于AruCo标记的着陆识别定位系统，帮助四旋翼快速计算出相对姿态;其次，利用基于梯度的局部运动规划器，快速生成四旋翼的无碰撞参考轨迹;再次，构建了自主状态机，使四旋翼能够完全自主地完成起飞、跟踪和着陆任务;最后，我们在模拟的、真实的室内和室外环境中进行了实验，以验证系统的有效性并展示其潜力。
2022-08-10 cs.RO
Joint Vision-Based Navigation, Control and Obstacle Avoidance for UAVs in Dynamic Environments
Sapienza University of Rome（罗马大学）；IT+Robotics S.r.l.（IT+Robotics有限公司）
本文研究了基于视觉的无人机导航系统与鲁棒避障能力的耦合问题。前一个问题通过最大化兴趣点的可见性来解决，而后者则通过椭球排斥区域来建模。整个问题被转化为一个最优控制问题（OCP），并利用最先进的数值优化在几毫秒内解决。由此产生的轨迹非常适合到达指定的目标位置，同时以安全裕度避开障碍物，并最大限度地减少与感兴趣目标失去路线的可能性。将该技术与适当的椭圆体成形（即，通过与障碍物速度或与障碍物检测不确定性成比例地增大形状）导致鲁棒的障碍物回避行为。我们在广泛的模拟实验中验证了我们的方法，这些实验显示了即使在具有挑战性的条件下也能满足所有约束的有效能力。我们发布了本文的开源实现。
2019-11-05 cs.RO
Predictive Angular Potential Field-based Obstacle Avoidance for Dynamic UAV Flights
University of Bonn（波恩大学）
近年来，无人机（UAV）被用于许多检查和视频捕获任务。然而，在障碍物附近手动控制无人机具有挑战性，并且存在很高的碰撞风险。即使是自主飞行，全球导航规划也可能太慢，无法对新发现的障碍物做出反应。风等干扰可能导致偏离计划轨迹。在这项工作中，我们提出了一种快速预测避障方法，不依赖于更高级别的定位或映射，并保持无人机的动态飞行能力。它直接对LiDAR距离图像进行实时的运算，通过计算距离图像内的角势场来调整当前飞行方向。随后基于轨迹预测和接触时间估计来确定速度大小。我们的方法进行评估，使用硬件在环仿真。它使无人机与障碍物保持安全距离，同时允许比以前直接基于传感器数据的反应式避障方法更高的飞行速度。
2022-08-11 cs.RO
Swarm Intelligence in Collision-free Formation Control for Multi-UAV Systems with 3D Obstacle Avoidance Maneuvers
University of Oklahoma（俄克拉荷马大学）
本研究受罗非鱼和鸽子集体行为启发，提出一种结合集中式与分布式控制器的多无人机无碰撞编队控制框架，并扩展至三维避障机动，在二维和三维场景中验证了其有效性。
2024-12-17 cs.RO
PE-Planner: A Performance-Enhanced Quadrotor Motion Planner for Autonomous Flight in Complex and Dynamic Environments
University of Science and Technology of China（中国科学技术大学）
本文提出了一种性能增强的四旋翼运动规划器PE-Planner，通过结合运动学路径搜索与B样条优化的全局规划器及基于模型预测轮廓控制的局部规划器，实现了在复杂动态环境中的快速、安全和稳健的自主飞行。
2024-03-19 cs.RO
Toward Impact-resilient Quadrotor Design, Collision Characterization and Recovery Control to Sustain Flight after Collisions
University of California, Riverside（加州大学河滨分校）
由于传感器空间有限和飞行控制器的局部稳定性，空中机器人的碰撞检测和恢复仍然是一个挑战。我们介绍了一种新型的碰撞弹性四旋翼，其具有顺应臂设计，以实现自由飞行，同时允许一个被动的自由度来吸收冲击。我们进一步提出了一种新的碰撞检测和表征方法的基础上霍尔传感器，以及一种新的恢复控制方法，产生和跟踪一个平滑的轨迹发生碰撞后。实验结果表明，机器人可以检测和恢复从高速碰撞与各种障碍物，如墙壁和杆。此外，它可以在基于IMU数据和接触模型的现有方法难以检测的碰撞中幸存下来，例如，当与非结构化表面碰撞时，或者在悬停时被移动障碍物击中时。
2021-06-01 cs.RO
Multi-UAV Formation Cooperative Obstacle Avoidance and Adaptive Shape Deformation Control in Complex Environments Based on BI-APF-RRT and Affine Transformation
College of Marine Information Engineering（海洋信息工程学院）
针对复杂障碍环境下多无人机编队避障灵活性与编队完整性难以共存及传统APF易陷入局部最优的问题，提出一种融合BI-APF-RRT与仿射变换的协同避障算法，实现全局路径规划与自适应变形。
2026-06-29 cs.RO
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago（奥塔哥大学）
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$，一种将人工势场（APF）与基于粒子群规划（PSO）的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中，群成员协同执行轨迹规划，以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓，以节省能源，避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹，以避免彼此碰撞。仿真结果表明，与现有的两种方案相比，$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
RADAR Perception for Dynamic Obstacle Avoidance onboard small-scale Quadrotor UAVs
University of Klagenfurt（克拉根福大学）
该研究针对小型四旋翼无人机，提出首个毫米波RADAR感知与控制系统，结合交互多模型跟踪器与控制障碍函数控制器，实现快速动态避障，在多环境实验中精度达标，端到端延迟约14ms。
2026-11-09 cs.RO cs.SY eess.SY
Quadrotor Navigation using Reinforcement Learning with Privileged Information
Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
本文提出一种基于强化学习的四旋翼导航方法，利用优先信息和损失函数提高绕过大型障碍物的能力，实验表明其在复杂环境中具有更高的成功率和稳定性。
2026-03-05 cs.AI cs.CV cs.RO
Applying Evolutionary Optimisation to Robot Obstacle Avoidance
本文提出了一种基于人工进化的立体图像分析方法，并将其应用于移动机器人的实时障碍物检测和避障。它使用巴黎的方法，其中包括在这里分裂成大量的简单的原语，“苍蝇”，这是进化后的生物启发计划，并给出了一个快速，低成本的解决方案，在移动机器人的障碍物检测问题的机器人的环境表示。
2005-10-25 cs.AI cs.RO
Multi-UAV Swarm Obstacle Avoidance Based on Potential Field Optimization
College of Marine Information Engineering, Jimei University（集美大学海洋信息工程学院）
本文提出一种结合改进多机器人编队避障算法与优化单无人机路径规划的混合算法，有效提升多无人机群在静态环境中的避障能力和编队稳定性。
2025-11-21 cs.MA cs.RO
Feasibility and Singularity in High-Order Safety-Critical Control for Quadrotor UAVs
Universidad Politécnica de Madrid（马德里理工大学）；Centre for Automation and Robotics (CSIC-UPM)（自动化与机器人中心（西班牙国家研究委员会-马德里理工大学））
针对四旋翼团队在有界输入和避碰约束下的高阶安全控制，提出扭矩感知动态扩展与高斯过程学习残差的方法，解决推力失效和联合不可行问题，保证碰撞避免。
2026-09-18 cs.RO cs.SY eess.SY
Enhanced method for reinforcement learning based dynamic obstacle avoidance by assessment of collision risk
Technische Universität Dresden（德累斯顿工业大学）
在自主机器人领域，强化学习（RL）是一种越来越多地用于解决移动机器人、自主船舶和无人机的动态避障任务的方法。训练这些智能体的一个常见做法是使用一个训练环境，随机初始化的智能体和障碍。这种方法可能会受到培训中高风险场景覆盖率低的影响，导致最终避障性能受损。本文提出了一种通用的训练环境，在这种环境中，我们通过使用短的训练片段来控制避障任务的难度，并通过两个指标来评估难度：障碍物的数量和碰撞风险指标。我们发现，将训练转向更大的任务难度可以大大提高最终的表现。基线代理，使用基于代理和障碍的随机初始化和较长的训练片段的传统训练环境，导致显著较弱的性能。为了证明所提出的方法的通用性，我们设计了两个现实的用例：移动机器人和海上船舶接近障碍物的威胁。在这两个应用程序中，以前的结果可以确认，这强调了所提出的方法的一般可用性，脱离一个特定的应用程序上下文和独立的代理的动态。我们进一步将高斯噪声添加到传感器信号中，仅导致性能的边际下降，从而表明经过训练的代理具有可靠的鲁棒性。
2022-12-08 cs.LG cs.RO
Identification and Avoidance of Static and Dynamic Obstacles on Point Cloud for UAVs Navigation
Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
在未知场景中采用有效的飞行策略避开混合障碍物是无人机应用的关键挑战。在本文中，我们介绍了一种技术来区分动态障碍物从静态的，只有点云输入。在此基础上，提出了一种计算效率高的避障运动规划方法，该方法与改进的相对速度法相一致。该方法能够在同一框架内同时避免静态障碍和动态障碍。对于静态和动态障碍物，碰撞检查和运动约束是不同的，并有效地集成到一个框架。此外，我们提出了一些技术，以提高算法的性能和处理不同的子模块之间的时间间隔。所提出的方法被实现为实时运行，并在仿真和硬件测试中得到了广泛的验证。我们的平均单步的计算时间小于20 ms。
2021-05-14 cs.AI cs.RO
Memory-based Deep Reinforcement Learning for Obstacle Avoidance in UAV with Limited Environment Knowledge
Indian Institute of Science（印度科学学院）
本文介绍了我们的方法，使无人机四旋翼，配备了单目摄像机，自主避免碰撞与障碍物在非结构化和未知的室内环境。当与地面车辆机器人中的避障相比时，UAV导航带来了额外的挑战，因为UAV运动不再限于明确的室内地面或街道环境。室内和室外环境中的水平结构，如装饰品、家具、吊扇、招牌、树枝等，也成为与地面车辆机器人不同的相关障碍。因此，为地面机器人开发的避障方法显然不适用于无人机导航。目前的无人机单目图像避障控制方法严重依赖于环境信息。这些控制器不能完全保留和利用关于周围环境的广泛可用的信息来进行决策。我们提出了一种基于深度强化学习的无人机避障（OA）和自主探索方法，该方法能够做到完全相同。在我们的方法中的关键思想是部分可观测性的概念，以及无人机如何能够保留有关环境结构的相关信息，以做出更好的未来导航决策。我们的OA技术使用具有时间注意力的递归神经网络，并在导航过程中没有碰撞的距离方面提供了比以前更好的结果。此外，我们的技术具有很高的推理率（机器人应用中的一个关键因素），并且是节能的，因为它最大限度地减少了无人机的振荡运动，减少了功率浪费。
2018-11-08 cs.LG cs.RO
EVDodgeNet: Deep Dynamic Obstacle Dodging with Event Cameras
University of Maryland（马里兰大学）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
四旋翼上的动态避障需要低延迟。特别适用于这种场景的一类传感器是事件相机。在本文中，我们提出了一种基于深度学习的解决方案，用于在具有单事件相机和机载计算的四旋翼上躲避多个动态障碍物。我们的方法使用了一系列的浅神经网络的自我运动和独立移动的对象的运动估计。网络在模拟中进行训练，并直接转移到现实世界，而无需任何微调或重新训练。我们成功地评估和演示了所提出的方法在许多现实世界的实验中，不同形状和大小的障碍物，实现了70%的整体成功率，包括未知形状的对象和低光测试场景。据我们所知，这是第一个基于深度学习的解决方案，用于在四旋翼上使用事件相机来解决动态避障问题。最后，我们还将我们的工作扩展到追求任务，只需反转控制策略，证明我们的导航堆栈可以满足不同的场景。
2020-03-02 cs.CV cs.RO
A real-time dynamic obstacle tracking and mapping system for UAV navigation and collision avoidance with an RGB-D camera
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于RGB-D相机的四旋翼实时动态障碍物跟踪与建图系统，通过体素地图生成候选区域、卡尔曼滤波与连续性滤波跟踪障碍物，并利用马尔可夫链进行环境感知轨迹预测，实验验证了其在动态环境中的实时避障能力。
2024-01-12 cs.AI cs.RO
ClearNav: Perception-Aligned Quadrotor Flight Using Differential-Physics
Worcester Polytechnic Institute（伍斯特理工学院）；Northeastern University（东北大学）
ClearNav是一种基于微分物理的导航策略，通过约束运动方向、惩罚障碍物附近速度，在仿真和真实杂乱环境中提升四旋翼飞行的成功率、降低碰撞率。
2026-10-14 cs.AI cs.LG cs.RO
Fly360: Omnidirectional Obstacle Avoidance within Drone View
Institute of Automation Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所）；Insta360 Research, Shenzhen, China（Insta360研究院）；Wuhan University,Wuhan, China（武汉大学）
Fly360通过两阶段感知-决策管道实现无人机全方位障碍规避，采用固定随机偏航训练策略，有效提升全方位感知和避障能力。
2026-03-06 cs.AI cs.RO
A Safer Vision-based Autonomous Planning System for Quadrotor UAVs with Dynamic Obstacle Trajectory Prediction and Its Application with LLMs
Wuhan University（武汉大学）；ETH Zürich（苏黎世联邦理工学院）；WFLS（武汉外国语学校）；HUST（华中科技大学）
本文提出一种基于视觉的无人机自主规划系统，结合动态障碍物跟踪与轨迹预测，利用B样条搜索优化轨迹，在仿真和真实环境中验证了实时避障的可靠性，并探索了与LLMs的集成。
2023-12-23 cs.AI cs.CV cs.RO
Deep Reinforcement Learning-based Obstacle Avoidance for Robot Movement in Warehouse Environments
AMA University（AMA大学）；New York University（纽约大学）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）；Cornell University（康奈尔大学）；University of California, Irvine（加州大学欧文分校）；Northern Arizona University（北亚利桑那大学）
针对仓库环境中传统移动机器人避障策略反馈不佳的问题，提出一种基于深度强化学习的避障算法，通过改进价值函数网络并设计基于行人空间行为的奖励函数，实现了高效舒适的避障，仿真实验验证了其有效性。
2024-09-23 cs.AI cs.RO
Obstacle Avoidance and Navigation Utilizing Reinforcement Learning with Reward Shaping
University of North Texas（北德克萨斯大学）
本文主要研究机器人控制领域中的避障与导航问题。针对这一问题，提出了基于改进奖励塑造技术的深度确定性策略梯度（DDPG）和近端策略优化算法。我们比较了原始DDPG和PPO与修改后的版本，都与一个真正的移动机器人模拟的性能，并证明所提出的算法取得了更好的效果。
2020-04-10 cs.LG cs.RO cs.SY
Simulation of optical flow and fuzzy based obstacle avoidance system for mobile robots
The Open University of Sri Lanka（斯里兰卡开放大学）；University of Colombo（科伦坡大学）
蜜蜂利用光流有效地避开障碍物。在这项研究工作中，类似的方法进行了测试模拟移动机器人。仿真框架是基于VRML和Simulink的三维世界。光流矢量计算从一个视频场景捕获的一个虚拟摄像机，它被用作输入到一个模糊逻辑控制器。模糊逻辑控制器决定机器人的运动轨迹。不同的模糊逻辑规则进行了评价。该机器人能够有效地在复杂的静态和动态环境中导航，避开路径上的障碍物。
2015-08-08 cs.CV cs.RO
Obstacle Avoidance for Autonomous Mobile Robots Based on Mapping Method
Hanoi University of Industry（河内工业大学）；University of Economics - Technology for Industries（经济与技术工业大学）
近年来，移动机器人因其在各种环境中的应用而受到研究者的极大关注。移动机器人在穿越障碍物时，需要识别障碍物并生成新的轨迹以到达目的地。提出了一种基于开源的机器人操作系统（ROS）和动态窗口逼近（DWA）算法的移动机器人避障方法。实验是使用移动机器人进行的，其中导航数据是基于由激光扫描仪收集的数据。实验结果表明，该机器人能够在静态和动态障碍物环境中正常工作。
2021-09-14 cs.RO cs.SY eess.SY
Flying in Highly Dynamic Environments with End-to-end Learning Approach
The University of Hong Kong（香港大学）；HKU-TCL Joint Research Center for Artificial Intelligence（香港大学-TCL人工智能联合研究中心）
针对多动态障碍物环境下四旋翼避障难题，提出融合激光雷达点云编码、二维障碍物地图与深度强化学习的端到端网络，可直接输出加速度指令并在单一网络中实现感知、导航及悬停状态转换。
2025-03-18 cs.RO cs.SY eess.SY
A Convex Obstacle Avoidance Formulation
Laboratory for AI, Robotics and Automation, University of California at Davis（人工智能、机器人与自动化实验室，加州大学戴维斯分校）
提出首个通用凸避障公式，通过逻辑集成方法将避障融入凸MPC，相比非凸方法大幅提升计算效率，且障碍物在预测时域外仍有效，支持短时域实时部署。
2026-07-07 cs.RO cs.SY eess.SY
3-D Reciprocal Collision Avoidance on Physical Quadrotor Helicopters with On-Board Sensing for Relative Positioning
University of Utah（犹他大学）
在本文中，我们提出了一种实现的3-D互惠碰撞避免真正的四旋翼直升机，每个四旋翼的相对位置和速度的传感器使用机载摄像头的其他四旋翼。我们表明，使用我们的方法，四旋翼能够成功地避免成对碰撞GPS和运动捕捉否认的环境中，没有四旋翼之间的通信，甚至当人类操作员故意试图诱导碰撞。据我们所知，这是第一次，互惠碰撞避免已成功地实现了真正的机器人，每个代理独立地观察其他使用板载传感器。我们从理论上分析了碰撞避免算法的响应违反的假设，通过使用真实的机器人。我们对实验结果进行了定量分析。一个特别引人注目的观察是，有时四旋翼表现出“相互舞蹈”的行为，这也是观察到当人类在约束环境中移动通过对方。这似乎是感知不确定性的结果，这导致涉及的两个机器人对相对位置和速度有不同的信念，因此，选择通过同一侧。
2014-11-14 cs.RO
APF-PF: Probabilistic Depth Perception for 3D Reactive Obstacle Avoidance
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出了一个框架，三维避障存在的部分可观性的环境障碍。该方法侧重于实用的人工势函数（APF）控制器在一个实际的设置，噪音和不完整的信息接近是不可避免的。我们提出了一种粒子滤波器（PF）的方法来估计潜在的障碍物的位置在输入深度图像流。然后，可能的候选人被用来生成一个动作，操纵机器人在每个时刻朝着负梯度的潜力。在四旋翼无人机上进行了严格的实验验证，结果表明，当机器人对错误感知信息敏感时，该方法具有鲁棒性和可靠性。所提出的感知和控制栈在无人机上运行，证明了实时应用和敏捷机器人的计算可行性。
2021-03-17 cs.RO cs.SY eess.SY
Cooperative Sensing Enhanced UAV Path-Following and Obstacle Avoidance with Variable Formation
Beijing University of Posts and Telecommunications（北京邮电大学）
针对无人机编队安全执行任务的需求，本文结合DRL路径跟踪、ISAC协同感知、VFEO定位、在线避障与NSB分层融合，实现无冲突的路径跟踪和障碍物规避。
2025-08-29 cs.RO cs.SY eess.SY
Novel Pigeon-inspired 3D Obstacle Detection and Avoidance Maneuver for Multi-UAV Systems
University of Oklahoma（俄克拉荷马大学）
受罗非鱼和鸽子群体行为启发，提出一种半分布式多无人机无碰撞编队控制框架，结合概率Lloyd's算法实现最优定位与三维障碍规避，并在二维和三维动态环境中验证了有效性。
2025-07-01 cs.AI cs.MA cs.RO
DCAD: Decentralized Collision Avoidance with Dynamics Constraints for Agile Quadrotor Swarms
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了一种新的，分散的避碰算法，用于在密集的环境中导航的四旋翼机群与静态和动态的障碍物。我们的算法依赖于最优相互碰撞避免（ORCA）的概念，并利用基于平坦度的模型预测控制（MPC）来生成每个四旋翼的局部无碰撞轨迹。我们前馈线性化的非线性动力学的四旋翼，并随后在我们的MPC框架中使用这个线性化的模型。我们的方法是下洗意识和计算安全的轨迹，避免四旋翼进入对方的下洗区域在近距离机动。此外，我们占的不确定性感测的位置和速度数据使用卡尔曼滤波。我们评估我们的算法与其他国家的最先进的方法的性能，并证明其优越的性能，在高速机动过程中产生的轨迹的平滑度和碰撞的概率较低。
2019-12-02 cs.RO
Proposal of algorithms for navigation and obstacles avoidance of autonomous mobile robot
本文提出算法用于室内自主移动机器人导航与避障，利用激光雷达获取3D环境图像，通过改进的向量场直方图算法生成2D地图并控制轨迹跟踪，实验结果良好。
2016-11-28 cs.RO cs.SY eess.SY
SwarmCCO: Probabilistic Reactive Collision Avoidance for Quadrotor Swarms under Uncertainty
University of Maryland at College Park（马里兰大学帕克分校）
我们提出了分散的碰撞避免算法的四旋翼机群下不确定的状态估计。我们的方法利用微分平坦性和前馈线性化近似的四旋翼动力学，并执行相互碰撞避免。我们占的位置和速度的不确定性，通过制定碰撞约束的机会约束，它描述了一组速度，避免碰撞与指定的置信水平。我们提出了两种不同的方法制定和解决的机会约束：我们的第一种方法假设高斯噪声分布。我们的第二种方法是它的扩展到非高斯的情况下，使用高斯混合模型（GMM）。我们重新制定的线性机会的约束，等效的确定性约束，这是使用MPC框架计算每个四旋翼的局部无碰撞轨迹。我们评估所提出的算法在模拟基准的情况下，并强调其优点比以前的方法。我们观察到，高斯和非高斯的方法提供了改进的碰撞避免性能的确定性方法。平均而言，高斯方法需要~ 5 ms来计算局部无碰撞轨迹，而我们的非高斯方法在计算上更昂贵，在具有4个代理的场景中平均需要~ 9 ms。
2021-01-25 cs.RO
Decentralized Nonlinear Model Predictive Control for Safe Collision Avoidance in Quadrotor Teams with Limited Detection Range
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
针对多四旋翼系统在传感与通信受限下的安全协调问题，提出集成指数控制障碍函数的去中心化非线性模型预测控制方法，提供检测范围最小下界保证，并通过仿真和实验验证其有效性与实用性。
2024-09-25 cs.MA cs.RO
Safety-Critical Quadrotor Navigation Using Fourth-Order Control Barrier Functions with Full Nonlinear Quadrotor Dynamics
Worcester Polytechnic Institute（伍斯特理工学院）；Nanyang Technological University（南洋理工大学）
该研究针对分层架构下四旋翼导航的平移安全目标与姿态演化不匹配问题，提出基于四阶控制障碍函数的安全控制器，结合积分高阶CBF技术，经仿真和实飞验证可实现可靠避障与安全导航。
2026-10-14 cs.RO
Dynamic Free-Space Roadmap for Safe Quadrotor Motion Planning
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆创新）
面向自由空间的路线图通常会生成一系列凸几何图元，这些图元构成了运动规划的安全区域。然而，对于这种路线图，假设是静态环境。这一假设使其无法处理动态障碍，限制了其应用。在本文中，我们提出了一个动态的自由空间路线图，它提供了可行的空间和导航图的安全四旋翼运动规划。我们的路线图是通过不断播种和提取环境中的自由区域来构建的。为了使我们的地图适应动态障碍物的环境，我们逐步将与障碍物相交的多面体分解为无障碍区域，同时图形也通过我们精心设计的机制进行更新。大量的仿真和真实世界的实验表明，我们的方法是实用和有效的。
2022-04-20 cs.RO
Control Barrier Functions in Dynamic UAVs for Kinematic Obstacle Avoidance: A Collision Cone Approach
Indian Institute of Science (IISc)（印度科学学院）；Cyber-Physical Systems（网络物理系统）；Department of Mechanical Engineering（机械工程系）
本文提出一种基于控制障碍函数和碰撞锥的新约束，用于四旋翼飞行器实时避障，通过CBF-QP实现，仿真和硬件实验验证了其在静态和动态障碍物场景中的有效性，且比高阶CBF-QP更少保守。
2024-03-15 cs.RO
Decentralized Deadlock-free Trajectory Planning for Quadrotor Swarm in Obstacle-rich Environments -- Extended version
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究院）
针对富障碍、通信受限环境下四旋翼集群轨迹规划易死锁的问题，提出结合基于栅格MAPP、子目标优化与LSC的去中心化MATP算法，经多场景仿真与10架真机验证，可实现无死锁安全规划且性能优于此前工作。
2023-05-01 cs.RO
Reciprocal Multi-Robot Collision Avoidance with Asymmetric State Uncertainty
我们提出了一个一般的分散制定的一大类避碰方法，并表明，所有这种形式的避碰方法保证是无碰撞的。这个类包括文献中的几个现有算法作为特例。然后，我们提出了一个特定的例子，这种碰撞避免方法，CARP（相互投影避免碰撞），这是有效的，即使当其他代理的位置和速度的估计是嘈杂的。该方法的主要计算步骤涉及一个小的凸优化问题的解决方案，这可以在实践中快速解决，即使在嵌入式平台上，使其实际用于计算受限的机器人，如四旋翼。这种方法可以扩展到找到更高的动态系统，如四旋翼的光滑多项式轨迹。我们证明了这种算法的性能在模拟和一个团队的物理四旋翼。我们的方法发现，在17.12ms的中位数时间为100个随机生成的障碍物的285个实例的最佳投影，并产生安全的多项式轨迹在60赫兹以上的板上四旋翼。我们的论文是伴随着一个开源的Julia实现和ROS包。
2021-07-22 cs.RO math.OC
3D Path Planning and Obstacle Avoidance Algorithms for Obstacle-Overcoming Robots
Inner Mongolia University of Technology（内蒙古工业大学）；Yanshan University（燕山大学）
本文介绍了一种多模式运动规划（MMP）算法，结合三维（3-D）路径规划和DWA避障算法。该算法的目的是规划的路径和运动的越障机器人在复杂的非结构化场景。提出了一种新的A-star算法，结合非结构化场景的特点，并将其转换为贪婪最佳优先策略算法。同时，将路径规划算法与DWA算法相结合，使机器人在沿全局规划路径运动的过程中能够进行局部动态避障，并将全局路径规划算法与局部避障算法相结合，使机器人在避障和越障后能够对路径进行修正。在具有多种复杂环境的工厂中进行的仿真实验验证了算法的可行性和鲁棒性。该算法能在充分考虑场景和运动障碍物特点的前提下，快速生成合理的越障机器人三维路径，并进行可靠的局部避障。
2022-09-02 cs.RO
Nearest-Neighbor-based Collision Avoidance for Quadrotors via Reinforcement Learning
Technische Universität Darmstadt（达姆施塔特工业大学）
碰撞避免算法是许多无人机应用的核心兴趣。特别是，分散的方法可能是在集中式通信在计算上变得禁止的情况下实现强大的无人机群解决方案的关键。在这项工作中，我们从椋鸟群（Sturnus vulgaris）中汲取生物学灵感，并将其应用于端到端学习分散式避碰。更具体地说，我们提出了一个新的，可扩展的观察模型仿生最近邻信息约束，导致快速学习和良好的碰撞避免行为。通过提出一种通用的强化学习方法，我们获得了一种基于端到端学习的方法，将碰撞避免与任意任务（如包收集和编队更改）相集成。为了验证这种方法的通用性，我们成功地应用我们的方法，通过运动模型的中等复杂性，建模的势头，但允许直接应用到现实世界的四旋翼与标准的PID控制器。与之前的工作相比，我们发现，在我们足够丰富的运动模型中，最近邻信息确实足以学习有效的碰撞避免行为。我们学习的策略在模拟中进行测试，随后转移到现实世界的无人机上，以验证其在现实世界中的适用性。
2022-02-18 cs.AI cs.LG cs.RO
